Configurar um mecanismo

Nesta página, abordaremos brevemente os conceitos por trás da configuração de um mecanismo.

Fontes compatíveis com hiperparâmetros

Ao configurar um mecanismo, selecione a origem dos hiperparâmetros usados para criar um modelo. As seguintes origens têm suporte:

Ajuste automático: a IA antilavagem de dinheiro ajusta os hiperparâmetros quando você cria um recurso EngineConfig (comportamento padrão)
Herdar: herde hiperparâmetros de uma configuração de mecanismo anterior que foi criada com uma versão anterior do mecanismo na mesma versão de ajuste. Essa configuração permite evitar novos ajustes sempre que você adotar uma nova versão do mecanismo do modelo.

Quando ajustar ou herdar

As seções a seguir descrevem quando você precisa selecionar o ajuste automático e quando herdar hiperparâmetros de uma configuração anterior do mecanismo.

Quando ajustar

Você tem a opção de ajustar cada nova configuração de mecanismo e, em caso de dúvida, sempre faça ajustes para ter os melhores resultados de desempenho. Consulte a seção Como ajustar um mecanismo para mais informações.

Para ter o melhor desempenho, considere o ajuste do mecanismo quando qualquer uma das seguintes situações ocorrer:

Você fizer mudanças significativas na lógica do conjunto de dados. Por exemplo, quando alguma das seguintes alterações:
- A lógica pela qual os campos são preenchidos
- A seleção de campos RECOMENDADOS que são preenchidos
- A lógica ou seleção de dados fornecidos na tabela PartySupplementaryData
Um mecanismo vai treinar um modelo para uma nova região.

Quando herdar hiperparâmetros

Para economizar tempo e custos ao adotar uma nova versão do mecanismo, é possível herdar os hiperparâmetros de um mecanismo anterior usando a mesma versão de ajuste. Consulte a seção Como adotar uma versão do mecanismo sem fazer novos ajustes.

As versões do mecanismo com a versão de ajuste v003 e as versões de mecanismo lançadas antes de 22/02/2024 não são compatíveis com a herança de hiperparâmetros, mas essas versões podem ser usadas como uma fonte de hiperparâmetros.

Como ajustar um motor

Para acionar o ajuste, consulte Criar e gerenciar configurações do mecanismo.

Especificamente, você precisa selecionar o seguinte:

Os dados a serem usados para o ajuste do mecanismo:

Especifique um conjunto de dados e um horário de término dentro do período do conjunto de dados.

O ajuste do mecanismo usa rótulos e recursos com base em meses completos até o mês do horário de término selecionado, mas sem incluir essa informação. Para mais informações, consulte Intervalos de tempo do conjunto de dados.
A versão do mecanismo que será usada para o ajuste:

Selecione uma versão de mecanismo que corresponda à linha de negócios (varejo ou comercial) em que você vai usar os modelos associados.
O volume de investigações esperado com base nos modelos:

Especifique partyInvestigationsPerPeriodHint. Isso é usado pelo ajuste, treinamento e backtesting do mecanismo para garantir que a IA antilavagem de dinheiro proporcione desempenho de acordo com o volume de investigação.

Saída de ajuste do mecanismo

O ajuste do mecanismo gera um recurso EngineConfig, que pode ser usado para criar um recurso Model.

Os metadados de configuração do mecanismo contêm as métricas a seguir. Especificamente, essas métricas mostram o seguinte:

Ganho de desempenho esperado com o ajuste do mecanismo em comparação com o uso dos hiperparâmetros padrão.

Observação: as métricas de recall mostram apenas a parcela de eventos históricos de AML_EXIT que seriam alertados com um determinado modelo e podem ser usadas para decidir continuar para o teste em tempo real. Como nem todos os casos são investigados, o desempenho real tem uma vantagem significativa.
Todas as grandes alterações em que as famílias de atributos são compatíveis com o conjunto de dados (entre ajuste de mecanismo, treinamento, avaliação e previsão)

Nome da métrica Descrição da métrica Exemplo de valor de métrica

ExpectedRecallPreTuning

Nome da métrica	Descrição da métrica	Exemplo de valor de métrica
ExpectedRecallPreTuning	Métrica de recall medida em um conjunto de teste ao usar hiperparâmetros padrão da versão do mecanismo. Essa medição de recall pressupõe o número de investigações por mês especificado em `partyInvestigationsPerPeriodHint`.	{ "recallValues": [ { "partyInvestigationsPerPeriod": 5000, "recallValue": 0.72, "scoreThreshold": 0.42, }, ], }
ExpectedRecallPostTuning	Métrica de recall medida em um conjunto de teste ao usar hiperparâmetros ajustados. Essa medição de recall pressupõe o número de investigações por mês especificado em `partyInvestigationsPerPeriodHint`.	{ "recallValues": [ { "partyInvestigationsPerPeriod": 5000, "recallValue": 0.80, "scoreThreshold": 0.43, }, ], }
Falta	Parcela de valores ausentes em todos os atributos em cada família de atributos. O ideal é que todas as famílias de recursos de IA antilavagem de dinheiro tenham um valor ausente próximo de 0. Podem ocorrer exceções quando os dados subjacentes a essas famílias de recursos não estiverem disponíveis para integração. Uma alteração significativa nesse valor para qualquer família de atributos entre o ajuste, o treinamento, a avaliação e a previsão pode indicar inconsistência nos conjuntos de dados usados.	{ "featureFamilies": [ { "featureFamily": "unusual_wire_credit_activity", "missingnessValue": 0.00, }, ... ... { "featureFamily": "party_supplementary_data_id_3", "missingnessValue": 0.45, }, ], }

Métrica de recall medida em um conjunto de teste ao usar hiperparâmetros padrão da versão do mecanismo.

Essa medição de recall pressupõe o número de investigações por mês especificado em partyInvestigationsPerPeriodHint.


{
  "recallValues": [
    {
      "partyInvestigationsPerPeriod": 5000,
      "recallValue": 0.72,
      "scoreThreshold": 0.42,
    },
  ],
}

ExpectedRecallPostTuning

Métrica de recall medida em um conjunto de teste ao usar hiperparâmetros ajustados.

Essa medição de recall pressupõe o número de investigações por mês especificado em partyInvestigationsPerPeriodHint.


{
  "recallValues": [
    {
      "partyInvestigationsPerPeriod": 5000,
      "recallValue": 0.80,
      "scoreThreshold": 0.43,
    },
  ],
}

Falta

Parcela de valores ausentes em todos os atributos em cada família de atributos.

O ideal é que todas as famílias de recursos de IA antilavagem de dinheiro tenham um valor ausente próximo de 0. Podem ocorrer exceções quando os dados subjacentes a essas famílias de recursos não estiverem disponíveis para integração.

Uma alteração significativa nesse valor para qualquer família de atributos entre o ajuste, o treinamento, a avaliação e a previsão pode indicar inconsistência nos conjuntos de dados usados.


{
  "featureFamilies": [
    {
      "featureFamily": "unusual_wire_credit_activity",
      "missingnessValue": 0.00,
    },
    ...
    ...
    {
      "featureFamily": "party_supplementary_data_id_3",
      "missingnessValue": 0.45,
    },
  ],
}

Como adotar uma versão do mecanismo sem ajustar novamente

Para reutilizar hiperparâmetros de uma configuração de mecanismo anterior, consulte a seção Criar uma configuração de mecanismo que herde hiperparâmetros na página Criar e gerenciar configurações de mecanismo. Especificamente, você precisa selecionar o seguinte:

Tipo de origem do hiperparâmetro:selecione INHERITED como hyperparameterSourceType. Se você não especificar o tipo de origem, o tipo de origem do hiperparâmetro será definido como TUNING para permitir a compatibilidade com versões anteriores.
Origem do hiperparâmetro:especifique o nome completo do recurso da configuração do mecanismo de origem no objeto hyperparameterSource. As saídas da configuração do mecanismo de origem são usadas para a nova configuração do mecanismo. A configuração do mecanismo de origem precisa ter sido criada com uma versão anterior do mecanismo na mesma versão do mecanismo de ajuste que você está usando.
Versão do mecanismo a ser usada na configuração do mecanismo:selecione uma versão do mecanismo que corresponda à linha de negócios (varejo ou comercial) dos modelos que você quer usar. Essa linha de negócios precisa corresponder à linha de negócios na configuração do mecanismo que você está usando como origem do hiperparâmetro.

Saída e linhagem ao herdar

Herdar hiperparâmetros de outra versão de mecanismo cria um recurso EngineConfig que pode ser usado para criar um recurso Model usando os hiperparâmetros da configuração do mecanismo de origem.

Para a linhagem, os seguintes campos no recurso EngineConfig são definidos da seguinte maneira ao herdar hiperparâmetros de outra configuração de mecanismo:

hyperparameterSourceType: INHERITED
hyperparameterSource: a configuração do mecanismo usada como origem do hiperparâmetro
tuning: objeto tuning original, incluindo a referência ao conjunto de dados usado para o ajuste original do mecanismo (primaryDataset) e a última hora em que os dados foram usados para gerar atributos de treinamento (endTime).
performanceTarget: objeto performanceTarget original, incluindo o volume de investigações esperadas com base nos modelos especificados (partyInvestigationsPerPeriodHint).
Metadados de configuração do mecanismo provenientes do ajuste original do mecanismo